WikiDer > Серия Эджворта

В Грам – Шарлье серия А (назван в честь Йорген Педерсен Грам и Карл Шарлье), а Серия Эджворта (назван в честь Фрэнсис Исидро Эджворт) находятся серии что приблизительно распределение вероятностей с точки зрения его кумулянты.^[1] Серии такие же; но порядок терминов (и, следовательно, точность усечения ряда) различается.^[2] Ключевая идея этих расширений - написать характеристическая функция распределения, чьи функция плотности вероятности ж должен быть аппроксимирован характеристической функцией распределения с известными и подходящими свойствами, и восстановить ж через обратный преобразование Фурье.

Грам – Шарлье серия А

Мы исследуем непрерывную случайную величину. Позволять ${ displaystyle { hat {f}}}$ - характеристическая функция его распределения, функция плотности которой ж, и ${ displaystyle kappa _ {r}}$ его кумулянты. Разложим по известному распределению с функцией плотности вероятности ψ, характеристическая функция ${ displaystyle { hat { psi}}}$, и кумулянты ${ displaystyle gamma _ {r}}$. Плотность ψ обычно выбирается нормальное распределение, но возможны и другие варианты. По определению кумулянтов мы имеем (см. Wallace, 1958)^[3]

${ displaystyle { hat {f}} (t) = exp left [ sum _ {r = 1} ^ { infty} kappa _ {r} { frac {(it) ^ {r}} {r!}} right]}$ и

${ displaystyle { hat { psi}} (t) = exp left [ sum _ {r = 1} ^ { infty} gamma _ {r} { frac {(it) ^ {r} } {r!}} right],}$

что дает следующую формальную идентичность:

${ displaystyle { hat {f}} (t) = exp left [ sum _ {r = 1} ^ { infty} ( kappa _ {r} - gamma _ {r}) { frac {(it) ^ {r}} {r!}} right] { hat { psi}} (t) ,.}$

По свойствам преобразования Фурье ${ Displaystyle (оно) ^ {г} { шляпа { psi}} (т)}$ - преобразование Фурье ${ displaystyle (-1) ^ {r} [D ^ {r} psi] (- x)}$, где D это дифференциальный оператор относительно Икс. Таким образом, после изменения ${ displaystyle x}$ с участием ${ displaystyle -x}$ по обе стороны уравнения, находим для ж формальное расширение

${ Displaystyle е (х) = ехр влево [ сумма _ {г = 1} ^ { infty} ( каппа _ {г} - гамма _ {г}) { гидроразрыва {(-D) ^ {r}} {r!}} right] psi (x) ,.}$

Если ψ выбрана нормальная плотность

${ displaystyle phi (x) = { frac {1} {{ sqrt {2 pi}} sigma}} exp left [- { frac {(x- mu) ^ {2}} {2 sigma ^ {2}}} right]}$

со средним значением и дисперсией, как указано ж, то есть среднее ${ Displaystyle му = каппа _ {1}}$ и дисперсия ${ displaystyle sigma ^ {2} = kappa _ {2}}$, то разложение принимает вид

${ displaystyle f (x) = exp left [ sum _ {r = 3} ^ { infty} kappa _ {r} { frac {(-D) ^ {r}} {r!}} right] phi (x),}$

поскольку ${ displaystyle gamma _ {r} = 0}$ для всех р > 2, поскольку старшие кумулянты нормального распределения равны 0. Разложив экспоненту и собрав члены в соответствии с порядком производных, мы приходим к ряду Грама – Шарлье. Такое разложение можно компактно записать в терминах Полиномы Белла так как

${ displaystyle exp left [ sum _ {r = 3} ^ { infty} kappa _ {r} { frac {(-D) ^ {r}} {r!}} right] = сумма _ {n = 0} ^ { infty} B_ {n} (0,0, kappa _ {3}, ldots, kappa _ {n}) { frac {(-D) ^ {n} } {n!}}.}$

Поскольку n-я производная гауссовой функции ${ displaystyle phi}$ дается с точки зрения Многочлен Эрмита так как

${ displaystyle phi ^ {(n)} (x) = { frac {(-1) ^ {n}} { sigma ^ {n}}} He_ {n} left ({ frac {x- mu} { sigma}} right) phi (x),}$

это дает нам окончательное выражение ряда Грама – Шарлье А как

${ displaystyle f (x) = phi (x) sum _ {n = 0} ^ { infty} { frac {1} {n! sigma ^ {n}}} B_ {n} (0, 0, kappa _ {3}, ldots, kappa _ {n}) He_ {n} left ({ frac {x- mu} { sigma}} right).}$

Интеграция серии дает нам кумулятивная функция распределения

${ Displaystyle F (x) = int _ {- infty} ^ {x} f (u) du = Phi (x) - phi (x) sum _ {n = 3} ^ { infty} { frac {1} {n! sigma ^ {n-1}}} B_ {n} (0,0, kappa _ {3}, ldots, kappa _ {n}) He_ {n-1 } left ({ frac {x- mu} { sigma}} right),}$

где ${ displaystyle Phi}$ - функция распределения нормального распределения.

Если мы включим только первые два поправочных члена в нормальное распределение, мы получим

${ displaystyle f (x) приблизительно { frac {1} {{ sqrt {2 pi}} sigma}} exp left [- { frac {(x- mu) ^ {2}} {2 sigma ^ {2}}} right] left [1 + { frac { kappa _ {3}} {3! Sigma ^ {3}}} He_ {3} left ({ frac {x- mu} { sigma}} right) + { frac { kappa _ {4}} {4! sigma ^ {4}}} He_ {4} left ({ frac {x- mu} { sigma}} right) right] ,,}$

с участием ${ Displaystyle He_ {3} (х) = х ^ {3} -3x}$ и ${ displaystyle He_ {4} (x) = x ^ {4} -6x ^ {2} +3}$.

Обратите внимание, что положительное значение этого выражения не гарантируется, и поэтому оно не является допустимым распределением вероятностей. Ряд Грама – Шарлье расходится во многих интересных случаях - он сходится, только если ${ displaystyle f (x)}$ падает быстрее, чем ${ Displaystyle ехр (- (х ^ {2}) / 4)}$ на бесконечности (Cramér 1957). Когда он не сходится, ряд тоже не соответствует действительности. асимптотическое разложение, потому что оценить погрешность разложения невозможно. По этой причине серия Эджворта (см. Следующий раздел) обычно предпочтительнее серии Грама – Шарлье.

Серия Эджворта

Эджворт разработал подобное расширение как усовершенствование Центральная предельная теорема.^[4] Преимущество серии Эджворта в том, что ошибка контролируется, так что это истинное асимптотическое разложение.

Позволять ${ displaystyle {Z_ {i} }}$ быть последовательностью независимые и одинаково распределенные случайные величины со средним значением ${ displaystyle mu}$ и дисперсия ${ displaystyle sigma ^ {2}}$, и разреши ${ displaystyle X_ {n}}$ их стандартные суммы:

${ displaystyle X_ {n} = { frac {1} { sqrt {n}}} sum _ {i = 1} ^ {n} { frac {Z_ {i} - mu} { sigma} }.}$

Позволять ${ displaystyle F_ {n}}$ обозначить кумулятивные функции распределения переменных ${ displaystyle X_ {n}}$. Тогда по центральной предельной теореме

${ displaystyle lim _ {n to infty} F_ {n} (x) = Phi (x) Equiv int _ {- infty} ^ {x} { tfrac {1} { sqrt { 2 pi}}} e ^ {- { frac {1} {2}} q ^ {2}} dq}$

для каждого ${ displaystyle x}$, пока среднее значение и дисперсия конечны.

Теперь предположим, что помимо среднего ${ displaystyle mu}$ и дисперсия ${ displaystyle sigma ^ {2}}$, i.i.d. случайные переменные ${ displaystyle Z_ {i}}$ иметь более высокие кумулянты ${ displaystyle kappa _ {r}}$. Из свойств аддитивности и однородности кумулянтов кумулянты ${ displaystyle X_ {n}}$ с точки зрения кумулянтов ${ displaystyle Z_ {i}}$ для ${ displaystyle r geq 2}$,

${ displaystyle kappa _ {r} ^ {F_ {n}} = { frac {n kappa _ {r}} { sigma ^ {r} n ^ {r / 2}}} = { frac { lambda _ {r}} {n ^ {r / 2-1}}} quad mathrm {где} quad lambda _ {r} = { frac { kappa _ {r}} { sigma ^ {р}}}.}$

Если мы расширим с точки зрения стандартного нормального распределения, то есть если мы установим

${ displaystyle phi (x) = { frac {1} { sqrt {2 pi}}} exp (- { tfrac {1} {2}} x ^ {2}),}$

то кумулянтные разности формального выражения характеристической функции ${ displaystyle { hat {f}} _ {n} (t)}$ из ${ displaystyle F_ {n}}$ находятся

${ displaystyle kappa _ {1} ^ {F_ {n}} - gamma _ {1} = 0,}$

${ displaystyle kappa _ {2} ^ {F_ {n}} - gamma _ {2} = 0,}$

${ displaystyle kappa _ {r} ^ {F_ {n}} - gamma _ {r} = { frac { lambda _ {r}} {n ^ {r / 2-1}}}; qquad r geq 3.}$

Ряд Грама – Шарлье для функции плотности ${ displaystyle X_ {n}}$ сейчас

${ displaystyle f_ {n} (x) = phi (x) sum _ {r = 0} ^ { infty} { frac {1} {r!}} B_ {r} left (0,0 , { frac { lambda _ {3}} {n ^ {1/2}}}, ldots, { frac { lambda _ {r}} {n ^ {r / 2-1}}} справа) He_ {r} (x).}$

Серия Эджворта разработана аналогично серии А Грама – Шарлье, только теперь термины собираются в соответствии со степенями ${ displaystyle n}$. Коэффициенты при п^{-м / 2} член может быть получен путем сбора мономов многочленов Белла, соответствующих целочисленным разбиениям м. Таким образом, мы имеем характеристическую функцию как

${ displaystyle { hat {f}} _ {n} (t) = left [1+ sum _ {j = 1} ^ { infty} { frac {P_ {j} (it)} {n ^ {j / 2}}} right] exp (-t ^ {2} / 2) ,,}$

где ${ Displaystyle P_ {j} (х)}$ это многочлен степени ${ displaystyle 3j}$. Опять же, после обратного преобразования Фурье функция плотности ${ displaystyle f_ {n}}$ следует как

${ displaystyle f_ {n} (x) = phi (x) + sum _ {j = 1} ^ { infty} { frac {P_ {j} (- D)} {n ^ {j / 2 }}} phi (x) ,.}$

Аналогично, интегрируя ряд, получаем функцию распределения

${ displaystyle F_ {n} (x) = Phi (x) + sum _ {j = 1} ^ { infty} { frac {1} {n ^ {j / 2}}} { frac { P_ {j} (- D)} {D}} phi (x) ,.}$

Мы можем явно написать многочлен ${ Displaystyle P_ {m} (- D)}$ так как

${ displaystyle P_ {m} (- D) = sum prod _ {i} { frac {1} {k_ {i}!}} left ({ frac { lambda _ {l_ {i}}) } {l_ {i}!}} right) ^ {k_ {i}} (- D) ^ {s},}$

где суммирование ведется по всем целым разбиениям м такой, что ${ Displaystyle сумма _ {я} ik_ {я} = м}$ и ${ displaystyle l_ {i} = я + 2}$ и ${ displaystyle s = sum _ {i} k_ {i} l_ {i}.}$

Например, если м = 3, то есть три способа разделить это число: 1 + 1 + 1 = 2 + 1 = 3. Таким образом, нам нужно изучить три случая:

• 1 + 1 + 1 = 1 · k₁, так что у нас есть k₁ = 3, л₁ = 3 и s = 9.
• 1 + 2 = 1 · k₁ + 2 · k₂, так что у нас есть k₁ = 1, k₂ = 1, л₁ = 3, л₂ = 4 и s = 7.
• 3 = 3 · k₃, так что у нас есть k₃ = 1, л₃ = 5 и s = 5.

Таким образом, искомый полином равен

${ displaystyle { begin {align} P_ {3} (- D) & = { frac {1} {3!}} left ({ frac { lambda _ {3}} {3!}} справа) ^ {3} (- D) ^ {9} + { frac {1} {1! 1!}} left ({ frac { lambda _ {3}} {3!}} right) left ({ frac { lambda _ {4}} {4!}} right) (- D) ^ {7} + { frac {1} {1!}} left ({ frac { лямбда _ {5}} {5!}} right) (- D) ^ {5} & = { frac { lambda _ {3} ^ {3}} {1296}} (- D) ^ {9} + { frac { lambda _ {3} lambda _ {4}} {144}} (- D) ^ {7} + { frac { lambda _ {5}} {120}} ( -D) ^ {5}. End {выравнивается}}}$

Первые пять условий расширения:^[5]

${ displaystyle { begin {align} f_ {n} (x) & = phi (x) & quad - { frac {1} {n ^ { frac {1} {2}}}} left ({ tfrac {1} {6}} lambda _ {3} , phi ^ {(3)} (x) right) & quad + { frac {1} {n} } left ({ tfrac {1} {24}} lambda _ {4} , phi ^ {(4)} (x) + { tfrac {1} {72}} lambda _ {3} ^ {2} , phi ^ {(6)} (x) right) & quad - { frac {1} {n ^ { frac {3} {2}}}} left ( { tfrac {1} {120}} lambda _ {5} , phi ^ {(5)} (x) + { tfrac {1} {144}} lambda _ {3} lambda _ { 4} , phi ^ {(7)} (x) + { tfrac {1} {1296}} lambda _ {3} ^ {3} , phi ^ {(9)} (x) вправо) & quad + { frac {1} {n ^ {2}}} left ({ tfrac {1} {720}} lambda _ {6} , phi ^ {(6) } (x) + left ({ tfrac {1} {1152}} lambda _ {4} ^ {2} + { tfrac {1} {720}} lambda _ {3} lambda _ {5 } right) phi ^ {(8)} (x) + { tfrac {1} {1728}} lambda _ {3} ^ {2} lambda _ {4} , phi ^ {(10 )} (x) + { tfrac {1} {31104}} lambda _ {3} ^ {4} , phi ^ {(12)} (x) right) & quad + O left (n ^ {- { frac {5} {2}}} right). end {выравнивается}}}$

Вот, φ^(j)(Икс) это j-я производная от φ (·) в точке Икс. Помня, что производные плотности нормального распределения связаны с нормальной плотностью соотношением ${ Displaystyle phi ^ {(n)} (x) = (- 1) ^ {n} He_ {n} (x) phi (x)}$, (где ${ displaystyle He_ {n}}$ это Многочлен Эрмита порядка п), это объясняет альтернативные представления в терминах функции плотности. Блинников и Месснер (1998) предложили простой алгоритм для вычисления членов разложения более высокого порядка.

Обратите внимание, что в случае решетчатых распределений (которые имеют дискретные значения), расширение Эджворта должно быть скорректировано для учета разрывных скачков между точками решетки.^[6]

Иллюстрация: плотность выборочного среднего из трех ${ displaystyle chi ^ {2}}$

Плотность выборочного среднего трех переменных chi2. На диаграмме сравниваются истинная плотность, нормальное приближение и два разложения Эджворта.

Взять ${ Displaystyle X_ {я} сим чи ^ {2} (к = 2), , я = 1,2,3 , (п = 3)}$ и выборочное среднее ${ displaystyle { bar {X}} = { frac {1} {3}} sum _ {i = 1} ^ {3} X_ {i}}$.

Мы можем использовать несколько дистрибутивов для ${ displaystyle { bar {X}}}$:

• Точное распределение, которое следует гамма-распределение: ${ displaystyle { bar {X}} sim mathrm {Gamma} left ( alpha = n cdot k / 2, theta = 2 / n right) = mathrm {Gamma} left ( alpha = 3, theta = 2/3 right)}$.
• Асимптотическое нормальное распределение: ${ displaystyle { bar {X}} { xrightarrow {n to infty}} N (k, 2 cdot k / n) = N (2,4 / 3)}$.
• Два разложения Эджворта степени 2 и 3.

Обсуждение результатов

• Для конечных выборок не гарантируется, что разложение Эджворта будет правильным. распределение вероятностей поскольку значения CDF в некоторых точках могут выходить за рамки ${ displaystyle [0,1]}$.
• Они гарантируют (асимптотически) абсолютные ошибки, но относительные ошибки можно легко оценить, сравнив ведущий член Эджворта в остатке с общим ведущим членом. ^[7]

Смотрите также

• Расширение Корниш – Фишера
• Биномиальное дерево Эджворта

использованная литература

дальнейшее чтение

• Х. Крамер. (1957). Математические методы статистики. Издательство Принстонского университета, Принстон.
• Уоллес, Д. Л. (1958). «Асимптотические приближения распределений». Анналы математической статистики. 29 (3): 635–654. Дои:10.1214 / aoms / 1177706528.
• М. Кендалл и А. Стюарт. (1977), Продвинутая теория статистики, Том 1: Теория распределения, 4-е издание, Макмиллан, Нью-Йорк.
• П. МакКаллаг (1987). Тензорные методы в статистике. Чепмен и Холл, Лондон.
• Д. Р. Кокс и О. Э. Барндорф-Нильсен (1989). Асимптотические методы для использования в статистике. Чепмен и Холл, Лондон.
• П. Холл (1992). Расширение Bootstrap и Edgeworth. Спрингер, Нью-Йорк.
• "Серия Эджворта", Энциклопедия математики, EMS Press, 2001 [1994]
• Блинников, С .; Месснер, Р. (1998). «Разложения для распределений, близких к Гауссу» (PDF). Серия дополнений по астрономии и астрофизике. 130: 193–205. arXiv:Astro-ph / 9711239. Bibcode:1998A и AS..130..193B. Дои:10.1051 / aas: 1998221.
• Мартин, Дуглас; Арора, Рохит (2017). «Неэффективность и предвзятость модифицированной стоимости под риском и ожидаемого дефицита». Журнал рисков. 19 (6): 59–84. Дои:10.21314 / JOR.2017.365.
• Дж. Э. Коласса (2006). Методы приближения рядов в статистике (3-е изд.). (Конспект в статистике № 88). Спрингер, Нью-Йорк.